VSC
H3 Skill 设计笔记｜先做路由，再写提示词
方法区长文#视频#教程#AI工具#Prompt+2
最初整理 H3 的时候，我也动过一个很省事的念头。找一批出片好的提示词，拆出共同句式，再做成几套模板。以后碰到产品片、MG、文字动画，换掉主体和风格就能直接用。
这个想法很快撞了墙。
同一段提示词放在文字 PV 里，模型可以把四组中英文都做对。换到 UI 演示里，画面依然很漂亮，播放键和暂停键却同时留在屏幕上，时间计数还会往回跳。参考图也一样。一张图有时要钉死零秒首帧，有时只负责人物服装，有时只提供版式气质。把这些情况都叫作“参考图生视频”，后面的控制一定会乱。
所以这套 H3 Skill 后来换了方向。它先判断任务怎么交给 H3，再决定素材怎样分工，最后才把设计压成模型能读的提示词。提示词只是最末一段，前面那部分判断更值钱。
先问这件事适不适合 H3
H3 在动态图形、短文字、片头包装、产品展示、视觉化 UI 和单一变化链上，已经表现出很强的组织能力。它能把一句短文案做成完整的空间运动，也能让一条线、一束光或一块材质在多个场景之间持续接力。
有些任务要换一种交法。高密度多人打斗、严格的 UI 状态逻辑、要拿去讲工程结构的内部拆解，只靠一大段文字风险很高。Skill 会先缩小任务，或者把动作、结构、界面状态交给视频参考、关键帧、CAD 图和分步素材。H3 继续负责它擅长的部分，例如风格统一、转场、品牌文字、声音和最终观感。
这一步会限制模型的自由，也会给结果找一个可靠的负责人。文字可以负责意图，素材可以负责几何和顺序，后期可以负责绝对准确的字和数据。每件事都有人管，提示词就不用同时假装自己是导演、工程图和剪辑软件。
五种输入模式决定了参考图到底是什么
官方的 H3 提示协议分成 T2VA、I2VA、FL2VA、L2VA 和 Ref2VA 五种关系。
T2VA 由文字定义整段视频。I2VA 把一张图当作零秒首帧。FL2VA 同时给出首帧和尾帧。L2VA 只给尾帧，让视频向它收束。Ref2VA 用带标签的图片、视频和音频承担持续角色。
这里有个很容易犯的错。手里只要有图，就条件反射地选 Ref2VA。可一张图若已经是视频的真实第一帧，I2VA 会更清楚。它若只是人物身份或产品外观的一部分，Ref2VA 才有意义。
Skill 会先把输入关系选死，再写引用。这样模型知道某张图需要完整对齐，还是只迁移一个属性。素材的身份一清楚，后面的保留范围、自由范围和镜头路径才有地方落。
我最在意的是竞争决策密度
很多人判断提示词有没有超载，先看字数。我做完密度测试以后，更愿意看同一个时间段里有多少件事在争夺决定权。
十五秒内，七张和九张短卡片都能做得很干净。每张卡只负责一条短文案和一个局部动作，红色线条持续接力，文字也有完整露出的时间。第一轮十一节点测试到了边界，最后一张英文署名被人物挡住。换了一套完全不同的深海档案风格以后，十一张又完整通过。十三节点那次，所有标签还在，其中一段反向生长只剩大约 0.3 秒的干净展示，过程也被压成了一团。
更能说明问题的是另一条十一节点测试。每个节点都塞了两三层材质和空间变化，结果三个状态直接消失，数字格式也开始漂。节点数量没变，单个节点承担的决定多了，容量立刻被吃完。
于是 Skill 把“信息节点”和“剪辑微镜头”分开计算。一个信息节点只承担一个主要变化。它内部可以有数个快速视角，只要这些视角都在解释同一件事。快节奏可以只增加视角和节拍，让同一个状态显得更利落，不必再塞进一件新任务。
这个区分对文字 PV 特别有用。先数读者必须看懂几句话，再给每句话设计撞击、切分、遮挡和重组。只数镜头，很容易得到一条切得飞快却什么也没说清的视频。
每个参考素材只领一份主要工作
多模态最容易让人兴奋，也最容易把职责搅在一起。一张角色图想同时管脸、服装、构图、色彩、动作和镜头，最后经常哪一项都不够稳。
Skill 给每个素材安排一个主要角色。图片可以管人物身份、产品外观、关键版式和材质。视频可以管动作、运镜、剪辑节奏和转场。音频可以管音色、内容、节拍或环境质感。每个角色还要写清哪些东西迁移，哪些地方允许 H3 自己完成。
一次六格文字板测试很说明问题。单张版式被模型选中以后，字形和空间关系能保持得很好。它却没有按左上到右下的顺序依次播放六格，反而重复了最显眼的标题，还把两张署名卡重新组合。多格图适合提供视觉词汇，无法自动成为一份严格排期表。关键字幕要拆成独立输入，或者留给后期。
音频也遵守同样的分工。只参考音色时，原音频里的台词不能顺便带过去。目标人物和目标文案仍要单独写明。一次悬疑测试里，短台词做准了，立体声方向却没有形成明显空间差异。台词准确、音色接近、方位成立和响度合适，本来就是四个验收面。
变化必须留下可见的因果
H3 很会做漂亮的连续变化，提示词若只写“丝滑转场”和“电影级运镜”，模型得到的任务仍然很空。
Skill 给常见任务准备了几套因果语法。材质变化要有一个触发点，边界沿着明确方向移动，旧材质、变化边界和新材质会短暂共存，完成以后还要按照新材质的物理性质继续运动。结构转场要有遮挡物或图形载体，下一镜继承它的方向、形状、尺度或声音。产品演示先稳定外观，再发现材质，随后证明功能，拆解完成还要恢复成完整产品，才能进入使用场景。
这些语法的作用很朴素。每个变化都能回答它从哪里来，经过了什么，最后留下什么。镜头词只负责让观众看见这条链，不能代替变化本身。
有一条陶瓷变化测试给了我很直接的提醒。移动边界和新旧材质共存都做出来了，成型后的陶瓷身体仍像液体一样游动。提示词前面要求它变硬，后面又保留了柔软摆动。模型没有凭空犯错，它执行了互相冲突的两段要求。后来 Skill 把“完成后的兼容运动”写进了材质语法，硬质物体只保留惯性、漂移、旋转、碰撞和落定。
后台可以复杂，交给模型的文本要干净
这套 Skill 的后台会保留一张 H3 Design Card。里面记录任务类型、证据等级、时长、画幅、输入模式、素材角色、固定文字、主变化链、信息节点、剪辑密度和终点状态。
这些字段不会原样塞进提示词。最后的编译器只使用官方协议需要的结构。普通文字和关键帧模式进入画面声音和配乐三部分。全参考模式再增加主体定义、摘要、保留关系和详细描述。镜头按时间推进，人物说话有稳定编号，屏幕文字用引号锁住，物理声音放回发生动作的那一刻。
我很喜欢这个“后台复杂，前台干净”的分工。设计阶段允许反复核对，模型面前只留下已经决定的事实。路线说明、测试结论、证据等级和失败历史都留在外面。模型不需要知道我们怎么争论出来的，它只需要知道这一秒该发生什么。
这套 Skill 背后的几条理论
第一条是边界。一个模型的能力表不能直接变成任务清单。官方支持某种输入，说明这条路可以走。它在某类任务里是否稳定，还要看真实输出。相反，一次做坏也不能给整个能力判死刑，要先检查提示结构、素材角色和输入规格。
第二条是约束归属。身份、几何、动作、文字和声音需要分别找负责人。文本擅长描述意图和关系，参考素材擅长固定可见事实，后期擅长承担绝对准确的交付。让文本包办一切，往往只会得到一份很长的愿望清单。
第三条是时间里的注意力预算。模型每一秒能完成的独立决定有限。短字卡、一个局部动作和一条持续载体，可以支持很高的剪辑密度。长文案、复杂人物、工程结构、精确 UI 和多套效果同时出现时，节点数就要主动下降。
第四条是状态继承。好的转场会把上一段尚未完成的方向、形状、材质或声音送到下一段。观众看见的是连续变化，模型得到的是清晰的因果。两个场景即使都很漂亮，中间没有东西被继承，仍然只是两个片段拼在一起。
最后一条是分面验收。文字拼对了，还要看它有没有完整露出。角色稳定了，还要看动作有没有完成。画面像 UI，还要看状态逻辑是否正确。声音出现了，还要检查节拍、方位和响度。把这些混成一句“整体不错”，下一次修改就找不到该改哪一层。
它最终做的是判断与分工
我更愿意把 H3 Skill 当作一套任务路由器。模板只回答一句话怎么写，这套东西还会处理前面的选择。
任务该不该交给 H3。该用首帧模式还是全参考。七个信息节点够不够。哪张图负责身份，哪段视频负责运动。这个变化有没有一个能看见的起点和结果。最终交付里，哪些内容必须由素材或后期兜底。
这些问题答完，提示词通常会变短。更重要的是，失败以后能找到责任在哪一层。画面没问题，UI 逻辑错了，就补状态参考。字形对了，展示时间不够，就改时间预算。产品长得对，内部结构乱了，就上结构图。每次只修一个真正的变量，下一版才会比上一版多一点把握。
这就是我写 H3 Skill 时最想保留的东西。它会给每个任务安排一条更适合它的路，最后再写出那段文字。
参考材料
全部回复(0)
还没有回复，先把你的参数、失败版本或补充思路留在这里。